基于轮廓特征理解的城市道路图像深度估计.
深度估计的研究路线
深度估计的研究路线
深度估计是计算机视觉领域中的一个重要问题，其目的是从单张图像中预测场景中每个像素的深度信息。
在机器人导航、增强现实、自动驾驶等领域中，深度估计都具有重要的应用价值。
本文将介绍深度估计的研究路线，包括传统方法、深度学习方法以及当前的研究热点。
传统方法：传统的深度估计方法主要基于像素之间的纹理、颜色等特征，以及几何约束、物理约束等先验信息。
代表性方法包括基于立体视觉、结构光、时间飞行等技术的方法。
这些方法在某些场景下表现出色，但在复杂场景下容易受到噪声、光照等因素的影响。
深度学习方法：近年来，深度学习技术的发展促进了深度估计领域的进步。
深度学习模型可以利用大量数据进行训练，从而更好地捕捉图像中的深度信息。
代表性的深度学习模型包括基于卷积神经网络的方法、基于循环神经网络的方法、基于注意力机制的方法等。
这些方法在各种场景下都表现出色，但存在训练数据不足、过拟合等问题。
当前研究热点：当前深度估计领域的研究热点包括：1）利用多任务学习提高深度估计性能；2）利用无监督学习解决训练数据不足问题；3）利用强化学习等增强深度估计的鲁棒性和适应性；4）将深度估计与其他计算机视觉领域进行结合，如物体检测、语义分割等。
综上所述，深度估计是一个具有挑战性和应用价值的研究领域，未来还有很多挖掘空间。
监控视频中的行人识别与跟踪技术研究
监控视频中的行人识别与跟踪技术研究随着互联网和智能技术的迅速发展，监控视频技术在城市安全管理、交通监控、行人识别与跟踪等领域扮演着重要的角色。
行人识别与跟踪技术是指通过监控视频，准确地识别出视频中的行人，并能够在连续的帧中跟踪行人的移动轨迹。
这项技术在安全防控、犯罪侦查以及行人行为分析等方面具有重要的应用价值。
行人识别技术是实现行人跟踪的基础，其目的是从监控视频中准确地识别行人的位置和姿态。
在行人识别的过程中，需要解决以下几个关键问题：一、行人的检测：行人检测是指在监控视频中将行人目标与背景等其他因素准确地分离开来。
传统的行人检测方法主要基于图像特征提取和机器学习算法，如Haar特征、HOG（方向梯度直方图）特征等。
近年来，深度学习的发展极大地推动了行人检测的性能，特别是基于卷积神经网络的方法。
二、行人的识别：行人识别是指根据行人的外貌特征或身体结构特征，将其与数据库中的行人进行匹配，从而实现行人的个体识别。
行人识别方法主要有基于图像特征和基于深度特征的方法。
在行人识别任务中，基于深度学习的方法在准确性和鲁棒性方面更具竞争力。
三、行人的跟踪：行人跟踪是指在连续的监控帧中，准确地追踪行人目标的移动轨迹。
行人跟踪方法主要包括基于特征点的方法、基于轮廓的方法和基于深度学习的方法。
目前，基于深度学习的行人跟踪方法在目标匹配的准确性和鲁棒性方面取得了显著的进展，逐渐成为主流的研究方向。
行人识别与跟踪技术的发展，不仅在提高城市安全管理和犯罪侦查的能力方面发挥了重要作用，还在交通领域具有重要意义。
在交通监控系统中，行人识别与跟踪技术可以用于交通事故预警、行人行为分析等应用。
例如，在交通事故预警系统中，当监控视频中的行人突然出现在马路上时，系统可以及时发出警报，提醒司机注意。
此外，行人识别与跟踪技术在行人行为分析中也起到重要作用。
通过对行人的轨迹分析，可以研究行人的行为规律，为城市规划、交通优化等领域提供数据支持。
基于金字塔池化网络的道路场景深度估计方法
基于金字塔池化网络的道路场景深度估计方法周武杰*①② 潘 婷① 顾鹏笠① 翟治年①①(浙江科技学院信息与电子工程学院 杭州 310023)②(浙江大学信息与电子工程学院 杭州 310027)摘 要：针对从单目视觉图像中估计深度信息时存在的预测精度不够准确的问题，该文提出一种基于金字塔池化网络的道路场景深度估计方法。
该方法利用4个残差网络块的组合提取道路场景图像特征，然后通过上采样将特征图逐渐恢复到原始图像尺寸，多个残差网络块的加入增加网络模型的深度；考虑到上采样过程中不同尺度信息的多样性，将提取特征过程中各种尺寸的特征图与上采样过程中相同尺寸的特征图进行融合，从而提高深度估计的精确度。
此外，对4个残差网络块提取的高级特征采用金字塔池化网络块进行场景解析，最后将金字塔池化网络块输出的特征图恢复到原始图像尺寸并与上采样模块的输出一同输入预测层。
通过在KITTI 数据集上进行实验，结果表明该文所提的基于金字塔池化网络的道路场景深度估计方法优于现有的估计方法。
关键词：单目视觉；深度估计；神经网络；金字塔池化网络中图分类号：TP391.4文献标识码：A文章编号：1009-5896(2019)10-2509-07DOI : 10.11999/JEIT180957Depth Estimation of Monocular Road Images Basedon Pyramid Scene Analysis NetworkZHOU Wujie ①② PAN Ting ① GU Pengli ① ZHAI Zhinian ①①(School of Information and Electronic Engineering , Zhejiang University ofScience and Technology , Hangzhou 310023, China )②(College of Information Science and Electronic Engineering , Zhejiang University , Hangzhou 310027, China )Abstract : Considering the problem that the prediction accuracy is not accurate enough when the depth information is recovered from the monocular vision image, a method of depth estimation of road scenes based on pyramid pooling network is proposed. Firstly, using a combination of four residual network blocks, the road scene image features are extracted, and then through the sampling, the features are gradually restored to the original image size, and the depth of the residual block is increased. Considering the diversity of information in different scales, the features with same sizes extracted from the sampling process and the feature extraction process are merged. In addition, pyramid pooling network blocks are added to the advanced features extracted by four residual network blocks for scene analysis, and the feature graph output of pyramid pooling network blocks is finally restored to the original image size and input prediction layer together with the output of the upper sampling module. Through experiments on KITTI data set, the results show that the proposed method is superior to the existing method.Key words : Monocular vision; Depth estimation; Neural network; Pyramid pooling network1 引言深度估计是使用1个或多个视点图像来预测场景图像深度信息的过程。
从高分辨率遥感影像中提取城市道路的新方法
从高分辨率遥感影像中提取城市道路的新方法在过去的几十年里，高分辨率遥感影像已经成为了城市规划和管理的重要工具。
通过分析这些影像，可以提取出城市道路的位置和特征，为城市交通规划和交通状况监测提供数据支持。
然而，由于城市道路的复杂性和多样性，现有的方法在提取精度、处理速度和适应性方面仍然存在一些局限性。
因此，本文提出了一种新的方法，旨在解决这些问题。
首先，本方法采用了一种基于深度学习的图像分割算法。
该算法通过训练一个深度卷积神经网络，将道路区域和非道路区域分割开来。
为了训练网络，我们使用了大量的标记数据，其中包括城市道路和非道路的遥感影像样本。
通过训练，网络可以学习到道路的特征，并能够准确地提取出道路区域。
其次，本方法利用了多尺度处理技术。
由于遥感影像中的道路尺度各异，为了提高提取精度，我们采用了多尺度处理技术。
具体而言，我们首先将原始遥感影像进行分割，得到一系列不同尺度的子图像。
然后，针对每个子图像，我们分别使用图像分割算法提取道路区域。
最后，将得到的道路区域进行合并和优化，以得到最终的道路提取结果。
此外，本方法还引入了半监督学习的思想。
传统的道路提取方法通常需要大量的标记数据，这在实际应用中往往是难以获得的。
为了克服这个问题，我们使用了一种半监督学习的方法。
具体而言，我们首先用少量的标记数据训练网络，然后使用网络提取道路区域，并将提取结果与原始影像进行比较。
通过比较结果，我们可以发现一些错误的提取区域，并将其标记为非道路区域。
然后，我们使用这些新的标记数据重新训练网络，以提高提取精度。
最后，我们对我们的方法进行了大量的实验证明了其有效性和准确性。
通过与传统的道路提取方法进行比较，我们的方法在准确度和处理速度方面都取得了显著的改进。
我们还对不同尺度的影像进行了实验，结果表明我们的方法对于不同尺度的道路都具有很好的提取能力。
综上所述，我们提出的新方法在高分辨率遥感影像中提取城市道路方面有着显著的优势。
基于深度学习的遥感影像道路提取
基于深度学习的遥感影像道路提取摘要：针对现有道路提取方法精度较差、一体化与智能化较低的问题，本文基于国产多源遥感卫星影像，基于大数据量采用U-Net、DeepLabV3、MultiTaskRoadExtractor模型进行道路模型的训练与测试，并对测试结果进行对比分析；基于小数据量采用MultiTaskRoadExtractor模型进行道路的训练与测试，并与大数据量MultiTaskRoadExtractor模型提取的道路进行对比分析。
实验结果表明：①MultiTaskRoadExtractor模型提取的道路优于U-Net、DeepLabV3模型，且提取道路所用的时间最短；②平坦的道路，不涉及复杂相交关系的道路，U-Net、DeepLabV3、MultiTaskRoadExtractor三个模型提取的道路完整性较好，差别不大；③F382影像基于MultiTaskRoadExtractor模型采用小数据量训练的道路模型提取该影像道路的效果较好，优于大数据量MultiTaskRoadExtractor模型提取的道路。
关键词：道路；U-Net；DeepLabV3；MultiTaskRoadExtractor；精度Road extraction from remote sensing images based on depth learning YANG Zhen（Engineering University of CAPF, Xi’an ,710086,China;）Abstract: In view of the problems of poor accuracy, integrationand intelligence of existing road extraction methods, domestic multi-source remote sensing satellite images were used. Based on large amounts of data, U-Net, DeepLabV3, MultiTaskRoadExtractor models were used to train and test road models, and the test results were compared and analyzed; Based on the small amount of data, the MultiTaskRoadExtractor model was used for road training and testing, and compared with the roads extracted from the large amount of data MultiTaskRoadExtractor model. The experimental results showed that: firstly, the road extracted by MultiTaskRoadExtractor model was better than U-Net and DeepLabV3 models, and it took the shortest time to extract the road; secondly, flat roads did not involve roads with complex intersection relationships. The integrity of roads extractedby U-Net, DeepLabV3 and MultiTaskRoadExtractor was good, and thedifference was little; thirdly, F382 image was based on the MultiTaskRoadExtractor model, and the road model with small data volume training was better than the road extracted by the MultiTaskRoadExtractor model with large data volume.Key words: road; U-Net; DeepLabV3; MultiTaskRoadExtractor; accuracy0 引言近年来，国产高分辨率遥感影像来源更丰富，时效性更强，分辨率更高，深度学习技术因其强大的鲁棒性和自学习能力在图像处理领域大放异彩。
基于深度学习的遥感影像道路提取
现代电子技术Modern Electronics Technique2023年12月1日第46卷第23期Dec. 2023Vol. 46 No. 230 引 言近年来，我国道路里程增长迅速，道路路网体系愈加复杂[1⁃2]，截至2021年末，全国公路里程为528.07万千米，较2020年增加了8.26万千米。
道路信息在城市规划、交通管理、环境监测等领域具有巨大的价值。
随着遥感卫星技术的发展，遥感影像已经实现了从低分遥感影像到高分遥感影像转变，最高空间分辨率已高达亚米级[3]，遥感影像数据的采集周期逐渐缩短，高频次的遥感卫星已经能够实现分钟级别的更新，为遥感影像运用于道路信息提取与分析提供了可能。
近年来深度学习在图像处理方面的技术得到快速发展，利用深度学习进行高分遥感影像道路信息提取成为近年来的热门研究之一[4⁃8]。
文献[9]基于全卷积神经网络对道路进行提取，再依照形态学计算以及格拉斯⁃普克算法对道路中的误检图斑进行剔除，并连接提取中断的道路。
文献[10]利用PCNN基于深度学习的遥感影像道路提取赵 亮， 郭杜杜， 王庆庆， 徐勤功（新疆大学 交通运输工程学院， 新疆 乌鲁木齐 830046）摘 要： 针对遥感影像道路提取任务中因地物环境复杂而导致道路掩码提取精度差、道路中心线断裂和不连续的现象，提出一种深度学习语义分割模型CP⁃Unet 进行道路掩膜提取，将提取的道路掩膜进行形态学处理，采用ZS 细化算法进行道路中心线提取，并提出一种优化连接模型进行中心线处理。
CP⁃Unet 扩大了模型感受野，增强了对道路信息的捕捉能力和融合能力，提高了道路掩码的提取精度，优化连接模型通过设定几何约束条件进行中心线断点连接，提高道路中心线的连续性。
以新疆某团场分辨率为0.5 m 的wordview3卫星影像为实验数据，实验结果表明：CP⁃Unet 的精确率、召回率、平均交并比分别提高到91.92%、88.27%和81.43%，能够较好地克服复杂环境干扰，提取精度较高，中心线提取方法在两种不同的复杂环境下提取准确率和完整率分别为94.82%、92.79%和96.77%、94.17%，提取结果更加连续且完整。
图像处理中的图像特征提取算法综述
图像处理中的图像特征提取算法综述图像处理是计算机视觉领域的一个重要研究方向，而图像特征提取算法则是图像处理的核心之一。
图像特征提取是从图像中提取出有用信息的过程，可以用于图像分类、目标检测、图像检索等各种任务。
本文将综述图像处理中的图像特征提取算法，并对各种算法的优缺点进行评述。
一、传统图像特征提取算法1. 颜色特征提取算法颜色是图像中最直观的特征之一，许多图像处理任务中都需要考虑颜色特征。
常见的颜色特征提取算法有色彩直方图、颜色矩和颜色熵等。
色彩直方图统计图像中每种颜色的像素个数，可以用于颜色分布的分析；颜色矩则通过计算像素值的均值和方差来描述颜色的分布特征；颜色熵用于衡量图像中颜色的复杂程度，可以区分不同图像的颜色分布情况。
2. 纹理特征提取算法纹理是图像中的重要特征，可以用于图像分类、图像检索等任务。
传统的纹理特征提取算法主要有灰度共生矩阵(Gabor 滤波器和局部二值模式(LBP)等。
灰度共生矩阵基于像素灰度值的概率分布来计算纹理特征，常用的特征包括对比度、能量、熵和相关性等；Gabor滤波器是一种基于频率和方向特征的纹理特征提取方法，可以提取出图像中的边缘和纹理信息；LBP是一种用于描述图像局部纹理的方法，可以通过比较像素值大小来得到二值编码表示。
3. 形状特征提取算法形状是图像中的高级特征，可以表示物体的几何结构。
常见的形状特征提取算法有边缘检测、轮廓匹配和形状上下文等。
边缘检测算法通常利用图像的梯度信息来提取物体的边缘，包括Sobel算子、Canny边缘检测算法等；轮廓匹配算法是通过对比图像边缘的形状特征来进行物体匹配，可以用于目标检测和物体识别；形状上下文是一种基于统计的形状特征提取方法，通过计算物体边缘点之间的关系来描述物体的形状。
二、深度学习在图像特征提取中的应用传统的图像特征提取算法需要手动设计特征提取算子，存在人为主观因素，且很难处理复杂的图像语义信息。
而深度学习通过神经网络自动学习图像的特征表示，正在逐渐改变图像特征提取的方式。
基于二维熵和轮廓特征的非结构化道路检测
基于二维熵和轮廓特征的非结构化道路检测
基于二维熵和轮廓特征的非结构化道路检测
郭秋梅*，黄玉清
【摘要】摘要:针对非结构化道路场景复杂干扰因素较多、检测困难的问题，提出了一种基于轮廓特征和二维最大熵的道路检测算法。
采用融合色彩特征不变量的二次二维最大熵分割算法对道路图像进行分割;利用边界跟踪算法提取分割图像的轮廓特征，根据道路区域的位置和几何特性选取最大轮廓;通过改进Mid-to-side算法进行边缘点搜索，用三阶道路模型重建道路边界，并对道路方向进行判断。
实验结果表明，所提算法与传统算法相比，对三类不同场景下非结构化道路的检测准确率可提高25%左右，具有较强抗阴影干扰的能力，并能有效识别道路方向。
【期刊名称】计算机应用
【年(卷),期】2013(033)007
【总页数】4
【关键词】关键词:二维最大熵;色彩特征不变量;轮廓特征;非结构化道路;道路模型
0 引言
随着人们对智能导航系统需求的增加，无人驾驶自主导航系统研究得到了飞速发展，道路检测是其中的一项关键技术。
能否准确检测出前方道路是智能车辆安全行驶的前提条件［1］。
道路一般分为结构化道路和非结构化道路两类，结构化道路有明显的车道标志线，检测方法相对成熟;非结构化道路所处环境复杂干扰因素较多，如光照变化、阴影及水迹等，检测难度较大。
目前的研究方法主要分为基于模型和基于特征。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于轮廓特征理解的城市道路图像深度估计 丁伟利* 李勇 王文锋 曹秀艳
燕山大学电气工程学院 河北省秦皇岛市 066004 摘要 准确估计道路场景图像中的深度信息，是智能交通和机器人导航中对障碍
物估计和定位的关键。本文提出了一种基于区域特征理解的单幅静态城市道路图像深度估计算法，通过边缘生长图像分割算法得到一系列封闭的图像区域；然后统计每个分割区域自身的多元特征,包括区域的颜色、面积、位置，所包含的直线、垂线和平行线；基于这些特征，进一步估计道路消失点，并实现天空、垂直面和道路区域的分割和三维空间推理，最后根据典型道路的深度变化规律实现对道路图像的深度估计。实验结果表明，本文提出的算法能够有效地估计道路消失点以及道路区域内部的渐变深度信息。 关键词 机器视觉；深度估计；图像理解；三维空间推理；单幅图像 中图分类号：TP391.9 文献标识码：A 国家标准学科分类代码：640.4035
Depth Estimation of Urban Road Image Based on Contour
Understanding Ding Weili, Li Yong, Wang Wenfeng Cao Xiuyan (Institute of Electrical Engineering, Yanshan University, Qinhuangdao ,Hebei,066004, China)
Abstract Estimating the depth of the road scene is a key step for intelligent transportation and robot navigation. This paper presents a depth estimation algorithm for single static road image. The algorithm obtains a series of closed areas of the image bede on the edge growing segmentation algorithm firstly; then we compute the statistic characteristics of each region, including color, area, position, straight lines, vertical lines, and parallel lines. Based on these characteristics, the road vanishing point was further estimated, and the sky, road and vertical regions are estimated. Finally, the depth of the road image is estimated by using vanishing point and the statistic characteristics. Experimental results show that the proposed algorithm can effectively estimate the road vanishing point, as well as the road depth information.
Keywords Computer vision; Depth estimation; Image understanding; 3D space estimation; Single image OCIS Codes XXX.XXXX; XXX.XXXX; XXX.XXXX（需给出具体的栏目分类，而不是总的栏目号，如320.320无效）
1引言 从单幅图像恢复场景深度信息和三维结构是计算机视觉一项重要的研究内容，它通过提取与深度相关的视觉线索和一些先验知识完成深度估计，有助于实现基于单像机的场景理解、目标定位、三维测量和重建，在机器人导航、智能交通和增强现实场景注册领域有广泛的应用前景[1-2]。 现有的基于单幅图像的深度估计算法主要利用三维空间的几何线索，如消失点、地平线、曲面边界、纹理、明暗信息等，恢复单幅图像三维结构，同时结合图像纹理、相对深度、摄像机位置等线索确定图像绝对深度。例如，Criminisi 利用消失点信息和透视投影几何关系恢复场景的三维几何关系[2]；Delage采用马尔科夫随机场结合几何线索，基于动态贝叶斯网络重建墙壁、天花板和地板的深度关系[3]；Saxena 根据不同景物中纹理、阴影、遮挡所反映的深度特征，结合MRF（马尔科夫）随机场模型综合估计每个像素的深度信息[4-5]；Hoiem将问题转化为图像分类分割的问题，将图像像素分为地面、天空和垂直面三类，然后依据图像中景物对象和地面的相交位置估计场景深度[6-9]；Barinova 等人基于Hoiem提出的深度估计方法进一步应用CRF随机场模型推断地面-垂直面边界的参数信息[10]；Hedau等人利用参数化的3D盒子基于Hoiem方法实现了室内场景的深度推理[11]；Cao等人提出了基于闭合迭代的区域分割及深度估计方法，在闭合迭代区域分割过程中交替执行区域合并和深度估计，直至获得预期结果 [12]；Rusell等人为分割图像推断区域几何和区域边缘信息，利用依赖于地面的深度模型估计图像深度[13]；闫硕等人改进了Hoiem方法，将室外场景标记为天空、地面和直立物三个类别，对于标记为地面的区域按照相机拍摄的固定几何关
收稿日期：年-月-日；收到修改稿日期：年-月-日 基金项目：国家自然科学基金(61005034)，河北省自然科学基金(F2012203185)，秦皇岛市科学技术研究与发展计划(2012021A054)资助课题。 作者简介：丁伟利（1979-），女，博士，副教授，主要从事计算机视觉方面的研究。E-mail：weiye51@ysu.edu.cm *通信联系人。E-mail: weiye51@ysu.edu.cm 系进行深度推理，对于直立区域则根据是否与地面接触结合消失点进行深度估[14,15]；李乐、Cheng等人提出一种通过分析理解街景图像内的景物构图关系实现图像深度估计的方法，提高了Hoiem方法深度估计的精度和准确性[16,17]。上述算法中，Saxena和Hoiem的算法最具有代表性，但其算法的结果依赖于基于超像素块的特征提取和区域分割结果，并且需要大量数据集进行训练和学习，因此深度估计结果不仅依赖于区域分割结果，而且每更换一个新的场景，原有的模型将失效，需要重新采集相应的深度数据进行训练，算法计算复杂耗时，不能满足即时深度估计。从精度上来说，Saxena算法的深度估计精度较低；Hoiem 的算法没有考虑到区域内深度的渐变，认为同一区域所有像素的深度均相同，因此对于地面区域的深度估计不够精确。虽然相关改进算法提高了深度估计的精度，但仍然不能从本质上避免深度估计依赖于超像素图像分割和训练数据集的问题。从应用领域来说，深度估计的一个重要应用就是智能交通和机器人导航中道路和障碍物深度的准确预测和感知，因此上述算法应用在道路图像的深度估计中仍然存在一定的问题。 为了解决上述算法的不足，本文针对道路图像的特点，提出一种新的基于分
割区域特征理解的单幅图像深度估计方法。该算法不需要进行超像素分割、数据集训练和学习，仅利用边缘和颜色信息实现道路、垂直面、天空的推理和深度估计。算法首先通过边缘生长图像分割算法得到一系列有意义的封闭图像区域；然后统计每个分割区域自身的颜色、位置特征、包含的直线、垂线和平行线信息；接下来计算道路消失点；最后综合利用这些特征完成道路、天空、垂直区域的识别以及深度估计。
2 道路图像分割 道路场景图像中各个物体均有其边缘，边缘线往往反映了3D世界中两个不同物体的轮廓信息和深度信息。通常，沿着人们的视线方向,场景中的物体由近及远出现，越近的物体轮廓信息越完整，越远的物体被遮挡的可能性越大,因此边缘像素往往属于两个重叠物体中的前景物体。根据上述特点，基于边缘信息对道路场景图像进行分割将有利于道路场景的深度估计。在前期研究中，本文作者提出了基于边缘生长的图像区域分割算法[18]，该算法首先采用Canny算子检测图像边缘。然后从边缘图像中的断点出发，通过对边缘局部结构进行直线和对称性生长消除所有断点，得到初步分割结果。最后通过相邻两个区域的颜色差别判断生长的边缘是否合理，如果相邻区域具有相似的灰度，则合并两个区域。与现有图像分割算法相比，上述算法对道路图像的分割结果具有更加明显的物理意义，如图1所示。图1.a为典型的道路图像，图1.b为Canny边缘检测结果。基于边缘生长图像分割算法，生长后的边缘图像如图1.c所示，图1.c中封闭的轮廓由图1.d表示为彩色图像，其中不同的颜色代表不同的区域。由图1.d中的分割结果可知道路场景中的车道线、道路区域、栏杆、植被、桥梁结构均得到了近似完整的分割，十分有利于下一步的场景结构分析和理解。为了分析方便，本文假设由边缘生长图像分割算法所获得的图像子区域数量为n，每一个区域记为,(0)iin。
图1 分割结果。（a）原图像；（b）边缘图；（c）边缘生长图；（d）分割区域标记图 Fig.1 Segmentation results. (a) Original image; (b) Edge map; (c) Edge growth graph;(d) Segmented regions labeled diagram
3 道路图像特征提取 3.1 区域特征向量 针对道路图像的每一个子区域,(0)iin，定义其轮廓为{(,)0}iijijCxyjm（m为轮廓所包含的像素点个数），统计其自身的多个特征，包括颜色、重心位置、轮廓中的直线信息等，记为： {,,,,,,|}iiiiiiiiFGrHAPNlVlPl (1)
式中，iGr表示区域i的灰度均值，iiishH,表示区域i中出现次数最多的H，S分量值。iA表示区域面积，即区域内像素总数；iP表示轮廓iC的重心点， iNl
记录了区域轮廓拆分后的直线，iVl记录了区域轮廓中的垂线，iPl记录了区域轮廓中与道路方向平行的平行线。iNl、iVl 和iPl的计算方法如下：